225Hz！LingBot-VA 2.0具身智能效率提升6倍

今年北京亦庄的半马赛道上，一台人形机器人以50分26秒冲线夺冠，比人类世界纪录快了近7分钟，机器人的躯体第一次跑赢了全人类。但另一面的场景却让人担忧：成都商场里表演的机器人撞上围观老人致其送医，餐厅里失控狂舞的机器人甚至踢中了小孩——跑赢冠军的机械腿，配了一颗不知道下一秒会撞到谁的大脑。

机器人的大脑，什么时候才能跟上它的腿？7月10日，蚂蚁集团旗下具身智能公司蚂蚁灵波给出了答案：推出LingBot-VA 2.0，这是行业首个「具身原生」预训练大模型，要给机器人换上一颗真正懂物理的大脑。

什么是「具身原生」？

简单来说，这不是将现有数字世界的模型简单嫁接给机器人，而是从训练数据、目标函数到模型架构，每一层都为「机器人在物理世界完成任务」量身打造——从零开始，构建一颗专属于机器人生理的原生大脑。

这颗大脑能做什么？

从演示效果来看，这颗大脑的表现远超预期：它可以稳稳夹起一片薄薯片，既不会捏碎也不会滑落，要知道没有触觉反馈的情况下，精准控制夹持力度本身就是极大的挑战；它还能完整整理桌面，记住每件物品的位置，按顺序码放整齐，而不是盲目抓挠；更可以和人实时对战小球，预判球的轨迹、即时挥杆反击，反应速度丝毫不输人类玩家。

LingBot-VA 2.0发布后迅速引发海外科技社区热议，大V Shabnam Parveen评价其是「迈向真正具身化AI的重要一步」，不少网友也对其「具身原生」的设计思路给出了高度认可。

为什么要从零开始训练？

当前主流的AI模型路线大多基于「下一帧预测」，学习的是画面的相关性变化，这类模型适合生成视频内容，但无法支撑机器人的真实物理交互。比如用类似生成视频的模型生成一段「推杯子」的内容，杯子可能流畅滑动，但也可能出现穿模、凭空消失的问题。如果机器人用这类模型指导行动，会误以为手可以穿过物体，杯子可以无故复原，完全不符合物理规则。

而LingBot-VA 2.0采用的是因果建模路线：模型学习的不是「画面会如何变化」，而是「我的动作会让世界产生怎样的改变」。推动物体时，它会遵循惯性运动规律；抓取动作和物体状态的变化严格对应，这是机器人从被动反应转向自主决策的核心基础。

三大核心技术突破

首先，模型解决了机器人长期存在的「翻译鸿沟」问题：视觉感知和动作控制原本是两套独立的系统，彼此间的信息转换存在壁垒。LingBot-VA 2.0配备了语义视觉-动作分词器，将视觉画面和动作指令统一翻译成同一种表达语言，让模型既能理解场景，也能精准控制动作。这意味着模型可以直接从互联网上的普通视频中学习动作逻辑，不需要依赖昂贵的真机采集数据，先通过海量网络视频建立物理直觉，再用少量真机数据完成对齐即可。

其次，模型采用了Foresight Reasoning前瞻推理技术，打破了传统机器人「看一眼、做一次、再修正」的滞后模式。就像经验丰富的老司机，在过弯的同时已经在预判下一个路口的路况，提前在脑中推演后续变化，实际执行时一边根据实时观测调整动作，一边持续预判未来几秒的场景，永远贴合现实节奏。配合异步推理架构，视觉感知、逻辑思考和动作执行三件事并行推进，不会因为等待思考而错过抓取时机。

「想完才动」和「边想边动」，本质上是两种完全不同的机器人智能水平。

四大技术支柱支撑「具身原生」

LingBot-VA 2.0的技术底座由四大核心模块构成：

• 全自主从头预训练：没有基于现有视频生成模型或大模型微调，而是基于自回归视频模型从零开始训练，避免了将双向注意力架构改为因果架构时出现的「灾难性遗忘」，完整保留了从海量数据中学到的物理世界知识。
• MoE稀疏架构：沿用LingBot-Video验证过的混合专家架构，视频骨干总参数约130亿，但推理时每个token仅激活约19亿参数，按需激活专家模块大幅降低了高频推理的成本。经过四重加速优化后，单chunk推理从927毫秒降到142毫秒，异步控制频率从35Hz飙升到225Hz。
• 新一代语义VAE：传统VAE仅负责画面的压缩还原，无法关联语义和动作。LingBot-VA 2.0的分词器在压缩视觉数据的同时，将视觉潜表示对齐到预训练视觉基础模型的语义空间，让模型不仅能「看见」物体，更能「理解」物体的属性和用途，补上了「听懂指令但动作匹配失误」的老短板。
• 异步Foresight推理：也就是前文提到的边执行边思考架构，将预测延迟隐藏在动作执行的过程中，让机器人可以在动态场景中保持流畅的响应速度。

效率拉满，单卡即可部署

机器人的实时性要求极高，哪怕慢一拍都可能错过抓取时机。LingBot-VA 2.0将推理效率做到了极致，单次推理效率提升6倍以上，单卡即可稳定运行，这让它可以胜任传送带上的连续抓取任务。

在RoboTwin 2.0仿真基准测试中，LingBot-VA 2.0的平均成功率达到93.6%，优于同类模型的79.8%，也超过了前代LingBot-VA的92.2%。更值得关注的是，模型在干净环境和随机化环境的表现差距仅为0.4个百分点，说明它可以很好地适配光照变化、杂物干扰、高度扰动等真实世界的复杂场景。

VA与VLA：1+1>2的互补生态

需要明确的是，LingBot-VA 2.0并非要取代VLA（视觉语言动作模型），而是形成互补的生态。VLA基于多模态大模型发展而来，成熟度高、落地性强，当前全球大部分「进厂干活」的机器人都基于VLA技术。

LingBot-VLA 2.0已经用同一套权重适配了20种以上的机器人构型，横跨17个主流品牌，预训练数据量达到6万小时，在主流消费级显卡上推理仅需130毫秒。团队采用的是「投产一代，预研一代」的路线：一线落地的VLA沉淀的数据和场景反馈，会持续反哺VA技术的迭代升级。

本次发布的六大模型共同构成了全栈智能大脑：从传感器原生空间智能模块，到原生架构的视频动作模型，再到产业落地驱动的落地版模型，完整覆盖了具身智能的全技术栈。从另一个角度来说，本次发布的LingBot 2.0，才是真正意义上的初代成熟产品。

大脑的竞争，才刚刚开始

当前行业已经用脚投票认可了这条技术路线：LingBot-VLA 2.0已经和十余家厂商的多款机器人构型完成适配验证，物流分拣、零售分拣、工业上下料等真实场景已经稳步落地试点。

相比商业化落地，更重要的价值是开启了具身智能的「数据飞轮」。回顾大语言模型的崛起早期，选择躺平微调的玩家最终没能走到行业前沿，真正的赢家都是直面预训练、探索模型上限的团队。具身原生预训练的意义正在于此：机器人大脑第一次拥有了属于自己的基础模型。

当下机器人硬件的喧嚣正在退潮，真正的竞争才刚刚在机器人大脑的赛道上拉开序幕。

塔猴是一个专注于为用户提供系统学习、内容创作与商业连接的AIGC综合服务平台，致力于为每一位AI探索者打造理想的创作、成长家园。在塔猴，你不仅可以学习众多AIGC类实战课程，获得与时俱进的AIGC技能和视野，还有机会获得长期商业合作和接单机会！点击进入：https://www.tahou.com/

AI生成内容提示：本文由人工智能辅助创作，内容仅供参考，不代表平台观点。请注意核实信息的准确性，并理性判断。